基于storm的支持向量機在物流航運指數預測中的原型系統的研究與實現.pdf

1、近年來，信息技術呈現出飛速化得發(fā)展，現代物流產業(yè)也進入了信息化時代。國際航運指數BDI(Baltic Dry Index)包含了航運業(yè)的干散貨交易量的轉變并且結合了未來的經濟活動，是航運業(yè)指示全球需求聯系的領先指標。然而影響B(tài)DI變化的因素非常復雜，傳統預測方法以精確數學模型為基礎但是其效果卻并不理想。由于運價指數存在內在規(guī)律并且受到外在的影響非常多，因此在對這些因素進行深入研究的基礎上，以機器學習為基礎開發(fā)出新的預測模型來對運價指數進

2、行預測是我們把握物流市場、規(guī)避風險的有效手段。所以本文在對BDI預測模型研究的現狀進行了研究，分析了因影響B(tài)DI變化的因素，主要從支持向量機SVM（support vector machine）方法的研究和其在BDI預測中的應用相結合的角度出發(fā)，對支持向量機的在線學習、并行化方法以及在BDI預測中的應用進行了系統的研究和實現。
　　首先，本文提出了一種改進的在線支持向量機回歸學習算法IOSVR（An improved on-lin

3、e support vector machine regression learning algorithm）。傳統的數據挖掘正在面臨知識不斷增長問題引發(fā)的挑戰(zhàn)，而IOSVR以支持向量機為基礎，減少重復迭代的同時運用了動態(tài)自適應調整方法，優(yōu)化迭代訓練過程，能夠在動態(tài)學習的過程中自適應調整訓練參數，取得了更好的泛化能力和預測精度。并且通過仿真表明，IOSVR不僅保證了訓練精度，在學習時間上和分類錯誤率上都明顯減少，因此，IOSVR更加適合

4、實際過程的建模。
　　其次，本文在研究航運指數BDI特征的基礎上，提出基于支持向量機的BDI在線預測方法。結合中國市場的特點對國際航運的供需市場進行深入分析，探討了影響B(tài)DI變動的特征影響因素，選取BDI的主要特征變量和潛在特征變量。在此基礎上，提出了基于支持向量機的的BDI的在線預測模型，將IOSVR應用在BDI建模上，該模型對運價指數的變動性進行了充分的考慮。通過實驗表明該模型能更好得預測BDI，能夠更好刻畫BDI的變化趨勢，

5、更適用于對BDI進行行預測。
　　最后，本文結合storm的并行機制，在storm平臺上研究和實現了IOSVR的并行化。在數據不斷增加的情況下，為了解決單機支持向量機算法存在的數據處理能力不足及運行效率低的問題，結合storm并行機制的基礎上在storm平臺上實現了IOSVR的并行化，有效整合了各節(jié)點的并行化計算優(yōu)勢，不僅解決了訓練時間過長和內存占用大的問題，而且提供了可靠的數據處理和存儲能力，在此基礎上完成了BDI預測系統的原型